ISSN: 2007-6363

Publicación Semestral Pädi Vol. 10 No. Especial 3 (2022) 40-47

La dimensión fractal como parte de un modelo computacional para predecir el

espesor de películas delgadas de ZnO
Fractal dimension as part of a computational model to predict ZnO thin films´
thickness
a, ⁎ a a a
H. D. Molina-Ruiz , O. Pérez-Cortez , H. Gómez-Pozos , H. Castillejos-Fernández
a
Área Académica de Computación y Electrónica, Universidad Autónoma del Estado de Hidalgo, 42184, Pachuca, Hidalgo, México.

Resumen

Propósito: El objetivo del presente trabajo consiste en predecir el espesor de películas delgadas de ZnO, con base en
el cálculo de su dimensión fractal, a través del uso de una red neuronal del módulo Keras® perteneciente a la librería
TesorFlow®, con el optimizador “adam”, para crear una relación aparentemente biunívoca entre ambas variables, la cual
contribuya en la generación de un modelo computacional para predecir una propiedad física de las películas delgadas.
Metodología: En principio, se obtuvieron imágenes SEM de la literatura científica que reportan el espesor de la
película; posteriormente, estas imágenes se procesaron y segmentaron a través del método de Chan-Vese; seguido, se calculó la
dimensión fractal de las imágenes segmentadas; y, entonces, los datos extraídos se llevaron a una red neuronal con el objetivo
de predecir el espesor no conocido y arbitrario, de una película delgada.
Hallazgos: La intención del trabajo es generar una relación biunívoca entre el espesor de películas de óxido de zinc y
su dimensión fractal. Al respecto de trabajos previos en la literatura científica, no existen estudios que aborden la relación entre
una variable medida y una calculada. Los resultados aseveran que se puede crear una relación aparentemente biunívoca entre el
espesor y la dimensión fractal de películas delgadas.
Limitaciones de la investigación: La propuesta utiliza una red neuronal para predecir el espesor de películas delgadas
a través de su dimensión fractal calculada, sin embargo, la poca disponibilidad de imágenes requiere de un mayor acceso a este
tipo de imágenes.
Implicaciones prácticas: La propuesta, puede extenderse al cálculo de otras métricas, que, en conjunto, ayuden a la
creación de un modelo computacional para predicción del espesor de películas delgadas.
Originalidad:
En el real entender de los autores, el trabajo presentado es original para la propuesta de predicción del espesor de
películas delgadas a través de la dimensión fractal calculada.

Palabras Clave: Dimensión fractal, Espesor de películas delgadas, Red neuronal, SEM (scanning electron microscopy),
Tensor Flow.

Abstract

Purpose: The aim of this research is to predict the thickness of ZnO thin films, based on the fractal dimension,
thorough a neural network which uses Keras® module, from TensorFlow® library, with adam’s optimization solver to create
an apparently biunique relationship between thickness and fractal dimension, which contributes to the generation of a computer
model to predict a physic characteristic in the field of think films.
Design/methodology/approach: First, SEM images, which reported their thickness, were obtained from literature; then
they were processed and segmented by Chan-Vese segmentation’s method; fractal dimension were calculated over the
segmented images; and, then the extracted data were set in to a neural network to predict the unknown and arbitrary thin film’
thickness.
Findings: The main attention of this paper is state a biunique relation between ZnO thin films’ thickness and fractal
dimension. Concerning the looking of previous researches, which state or rough out the relation between a measured and a

____________________

*Autor para la correspondencia: hmolina@uaeh.edu.mx; m_en_i_molina_ruiz@engineer.com

Correo electrónico: hmolina@uaeh.edu.mx (Héctor Daniel Molina-Ruiz), obed_perez@uaeh.edu.mx (Obed Pérez-Cortez), gpozos@uaeh.edu.mx (Heberto Gómez-Pozos),
heydy_castillejos@uaeh.edu.mx (Heydy Castillejos-Fernández)

Historial del manuscrito: recibido el 15/04/2022, última versión-revisada recibida el 27/06/2022, aceptado el 02/08/2022,
publicado el 31/08/2022. DOI: https://doi.org/10.29057/icbi.v10iEspecial3.8940
 A. Autor et al. / Publicación Semestral Pädi Vol. 10 No. Especial 3 (2022) 40 -47 41

calculated variable in the field of thin films, it seems they do not exist. The result ensures that a biunique relationship between
thin films thickness and fractal dimension ca be stated.
Research limitations/implications: The approach has used a neural network to predict thin films’ thickness through its
calculated fractal dimension, however, the lack of a data base images’ availability, encourage the need for extend this images’
availability.
Practical implications: The proposed approach could be extended to other calculated metrics, which assembled, can
help stating a computational model to predict the thin films’ thickness.
Originality/value: To the best of the authors’ knowledge, the research presented is fully original for the approach to
predict thin films’ thickness thorough their calculated fractal dimension.
Keywords: Fractal dimension, Neural network, SEM (scanning electron microscopy), TensorFlow®, Thin film´s thickness.

1. Introducción
Hoy en día, las aplicaciones, herramientas y métodos
informáticos, cambian constantemente y mejoran los
contextos de la humanidad. Los algoritmos, herramientas y
métodos computacionales se pueden aplicar en la mayoría de
las áreas de conocimiento, como las relacionadas con escalas
nanométricas, en particular el contexto de películas delgadas
(utilizadas para detección de gases). Al hablar de la
predicción de una propiedad física, cabe hacer mención que
no se ha detectado la existencia de un modelo que vincule
alguna propiedad de la morfología de las películas delgadas
con su espesor.
El presente estudio, forma parte de una propuesta para
relacionar la dimensión fractal de películas delgadas de óxido
de zinc (ZnO) con el espesor de las mencionadas películas
delgadas, con objeto de crear una relación aparentemente
biunívoca entre ambas variables, la cual contribuya en la
generación de un modelo computacional para predecir una
propiedad física de las películas delgadas, con base en una o
más variables de entrada.
La morfología para nuestro caso, se interpreta como una serie
de métricas calculadas a partir de imágenes SEM (por sus
siglas en inglés scanning electron microscopy). En particular,
en el presente documento, se aborda la relación
aparentemente biunívoca que existe entre la dimensión
fractal, obtenida de imágenes SEM ya segmentadas y su
espesor.
2. Referente teórico
Una imagen es un subconjunto de una señal, siendo, además,
una función que transporta información y puede representarse
de varias formas. En este contexto, la señal que conforma una
imagen, puede sintetizarse y manipularse a través de
algoritmos computacionales, para emular un fenómeno físico
y utilizarse en el procesamiento de imágenes, para extraer sus
características, con el consecuente uso o integración de
esquemas que permitan generar relaciones entre dichas
características.
Debido a que se puede crear una relación biunívoca entre
variables; un modelo computacional para predecir el espesor
de la película delgada, basado en su morfología o alguna de
sus características morfológicas, puede tener aplicación, en
diferentes campos de estudio, p.ej. en la calidad de aplicación
de pinturas en el sector automotriz, las propiedades
mecánicas de metales forjados, o alguna otra que pueda
relacionar características de la superficie con algún cálculo
(como lo es la dimensión fractal).
2.1. Películas delgadas
Como se menciona en Godse et al. (2020), en los últimos
años, los óxidos semiconductores atrajeron un gran interés en
aplicaciones tales como la fotónica, la óptica y la electrónica
debido a su rendimiento superlativo. Para Chaabouni, Abaab
& Rezig (2004), una cuestión crítica en los óxidos
semiconductores, como dispositivos sensores de gas, es
controlar las propiedades superficiales y estructurales para
modificar las propiedades de detección. Los óxidos
semiconductores nanocristalinos son muy importantes como
material sensor ya que la reducción de tamaño y el control de
la difusión de gases son los principales factores que mejoran
las propiedades de detección de gases (Sarala Devi et al.,
2006).
El óxido de zinc (ZnO) es un material único que exhibe
múltiples propiedades semiconductoras, piezoeléctricas y
piroeléctricas (Wang, 2004). De acuerdo con Li et al. (2013),
entre varios nanomateriales semiconductores, los basados en
ZnO han atraído un gran interés debido a su amplia brecha de
banda directa (direct band gap - 3,37 eV) y la gran cantidad
de energía de unión (60 meV). El presente estudio se calcula
la dimensión fractal de imágenes SEM de películas delgadas
de ZnO; se hace uso de estas imágenes, debido a la
importancia de las películas delgadas de ZnO como material
de detección de gases (Zubair & Akhtar, 2019; Yuan et al.,
2019; Lorwongtragool, Boonyopakorn & Kladsomboon,
2019; Godse et al., 2020; Han, 2020; Khatibani, 2020); esta
dimensión fractal se toma como base para predecir el espesor
de películas delgadas.
Algunas aplicaciones de películas delgadas son: sensores de
monóxido de carbono (CO) (Al-Kuhaili, Durrani & Bakhtiari,
2008); detección de n-butilamina (Kaneti et al., 2016);
detección de acetona en el gas de aliento humano
(biomarcador para la diabetes tipo 1 (T1D)) (Fan & Jia,
2011).
2.2. Espesor de películas delgadas
Como se hace mención en Thirumoorthi & Thomas Joseph
Prakash (2019), la morfología superficial influye en sus
propiedades mecánicas, eléctricas y ópticas de las películas
delgadas. De allí la importancia de contar con una
herramienta computacional que permita determinar la
morfología superficial.
El espesor se puede definir como una diferencia de distancia,
altura y profundidad de una superficie. Cuando existe una
superficie de referencia, se puede medir si existen algunas
diferencias o cambios en la medición de distancia de la altura
con referencia a la profundidad. En el caso de películas
delgadas, el espesor se puede establecer, como la diferencia
 A. Autor et al. / Publicación Semestral Pädi Vol. 10 No. Especial 3 (2022) 40 -47
de altura, con referencia a la superficie del sustrato. Marotti
(2004), usa la variable “d” para referirse al espesor de la
película; y, Vetelino & Reghu (2011) usa la variable “t” para
referir el espesor de la película.
En Ennaceri et al. (2019), se expone que existe una relación
entre la morfología y el espesor de películas delgadas de
ZnO. Hassan et al. (2019), encontraron que el tamaño de
grano para películas delgadas de ZnO sin impurificar es de
43.53 nm, al considerar un espesor de 300 ± 30 nm,
depositadas mediante el método de spray pirólisis. Rebollar-
Rivera, Maldonado-Álvarez & Olvera-Amador (2019),
reportan que el tamaño de grano se incrementa de 17 nm a 60
nm, conforme el espesor de la película delgada aumenta de 50
nm a 400 nm. Liu et al. (2019), reportan para muestras de
ZnO sin impurificar, superficies densamente pobladas y
uniformes, con un espesor de 2.6 μm.
2.3. Dimensión fractal
Un fractal es, por definición, un conjunto para el cual la
dimensión de Hausdorff Besicovitch excede estrictamente
la dimensión topológica (Mandelbrot, 1983). Esos
excedentes se pueden ajustar al teorema de Szpilrajn.
Según Szpilrajn (1930), existe una relación entre un par
de números que establecen un orden o un pre-orden.
La dimensión fractal es el parámetro fundamental para
esbozar las características fractales en el contexto de la
geometría fractal (Wei & Tang, 2008). La dimensión
Hausdorff Besicovitch o dimensión fractal de un conjunto
A restringido en ℝ𝑛 , es un número real usado para
caracterizar la complejidad geométrica de A; en la cual el
conjunto A de denomina un fractal si su dimensión
Hausdorff Besicovitches estrictamente mayor que su
dimensión topológica (Chaudhuri & Sarkar, 1995).
La dimensión fractal es una expresión lógica de la
complejidad espacial que mide la complejidad espacial y
codifica el número (a menudo fraccionario) de grados de
libertad necesarios para describir una curva o conjunto de
datos en particular (Zhang et al., 2019b). La dimensión
fractal, como caracterización cuantitativa y parámetro
básico del fractal, es un principio importante de la teoría
fractal (Bi et al., 2015).
De forma general la dimensión fractal objeto geométrico,
por ejemplo: un punto es de dimensión 0, línea
(dimensión 1), plano (dimensión 2), un volumen
(dimensión 3). En este contexto, una forma sencilla de
medir una curva, es a través de un proceso de
rectificación, mediante el ajuste de rectas a una curva
determinada; para lo cual entre más pequeñas sea las
rectas, mejor será el ajuste (Figura 1).
Al hacer referencia a la dimensión fractal, por ejemplo,
una dimensión fractal de 2.1 se interpreta como que las
propiedades de la figura, se encuentran entre las
propiedades de un plano y un volumen.
Uno de los métodos para calcular la dimensión fractal es
el método de la dimensión Minkowski-Bouligand que,
según Zhang et al. (2016), estima la dimensión fractal,
suponiendo que un tipo de red o patrón se encuentra sobre
una cuadrícula igualmente espaciada, en el cual se cuenta
una cantidad de cajas (cuadros) a cubrir, siendo el método
de conteo de cajas una herramienta que puede obtener la
42
curva de las cajas requeridas con la escala correspondiente
a la cuadrícula.
Figura 1: Ejemplo de estimación de la dimensión de Hausdorff-
Besicovitch para la costa de Gran Bretaña. Imagen bajo licencia CC BY-
SA 3.0.
3. Metodología
Por un lado, los métodos de regresión, en el contexto
estadístico, permiten relacionar una o más variables
independientes, con una variable dependiente, la cual se
puede pronosticar con base en la información de la cual se
disponga. Por otro, es claro que los avances tecnológicos
y la capacidad computacional hacen posible la aplicación
de métodos o técnicas computacionales complejas para
realizar diferentes tareas, como el uso de redes neuronales
que actúan como métodos de pronóstico más potentes y
complejos, aumentando la eficiencia del pronóstico.
A través del avance computacional, en el campo del
software, han surgido diferentes algoritmos para la
implementación de redes neuronales. En específico, entre
los algoritmos de optimización de descenso de gradiente
estocástico (por sus siglas en inglés – Stochastic Gradient
Descent Optimisation Algorithms) se puede hacer
mención de: Adagrad, RMSprop, ADdelta, Adadelta,
Adam, AdaMax, entre otros.
La optimización por medio de Adam, consiste de un
método estocástico de optimización de descenso, basado
en estimaciones adaptativas de momentos de primer y
segundo orden. De acuerdo con Kingma & Ba (2015),
Adam es un algoritmo simple y computacionalmente
eficiente para optimización basada en gradientes de
funciones objetivo estocásticas; combina la habilidad del
AdaGrad (Adaptive Gradient Algorithm) para tratar con
gradientes escasos y RMSProp (Root Mean Square
Propagation) para trabajar con objetivos no estacionarios.
En este estudio se utiliza la función Adam, del módulo
Keras® perteneciente a la librería de TensorFlow®
(desarrollada por Google® LLC) como herramienta de
predicción, vinculando las mediciones de la dimensión
fractal a partir de imágenes SEM ya segmentadas, para
películas de óxido de zinc (ZnO), en las cuales se
reconocen las partículas o granos presentes, resultado de
la deposición de la película delgada. Cabe hacer mención
que la programación del código utilizado se realiza en
Colab® de Google®, el cual utiliza la versión de Python®
3.6.9.
 A. Autor et al. / Publicación Semestral Pädi Vol. 10 No. Especial 3 (2022) 40 -47
Para el desarrollo de la presente investigación, se esboza
una metodología general, que se siguió para la concreción
de proceso de investigación:
1.- Construcción de una base de datos de imágenes SEM:
Mendonça et al. (2013), destacan que la disponibilidad y
la generación de una base de datos de imágenes es de vital
importancia. Para la presente investigación, una base de
datos que incluye imágenes SEM encontradas en la
literatura científica (que reporten su espesor), para su
posterior procesamiento, genera el sustento del cálculo de
la dimensión fractal en las imágenes ya procesadas,
además del registro de la variable de interés, la cual será
predicha. En este sentido, cabe hacer mención que no se
ha podido determinar la existencia de una base de datos
para el tipo de imágenes utilizadas en esta propuesta; es
por ello que se recurre al uso de imágenes reportadas en la
literatura científica.
2.- Procesamiento de imágenes: Basavaprasad & Ravi
(2014), realizan un estudio sistemático sobre la
importancia del procesamiento de imágenes y sus
aplicaciones en el campo de la visión computacional,
encontrando un gran alcance para su aplicación. El
procesamiento de imágenes ayuda en la investigación
actual, ya que contribuye en la adecuación y extracción
información valiosa de las diferentes imágenes que se
utilizaron en el proceso de investigación, particularmente
en el cálculo de la dimensión fractal. Una vez obtenidas
las imágenes de películas delgadas, se realizó el
procesamiento de dichas imágenes para la obtención de
una imagen banalizada, a la cual se le realizó el cálculo de
su dimensión fractal.
3.- Cálculo de la dimensión fractal: Se realizó el cálculo
de la dimensión fractal para diferentes imágenes SEM ya
procesadas y segmentadas. Con ello se integra una base
de datos que fuge como variable de entrada para el
modelo de predicción.
4.- Registro de espesores: Se recuperaron los datos
correspondientes a los espesores reportados en literatura
científica. Estos espesores, integran los datos de la
variable a predecir, o variable de salida.
5.- Aplicación de una red neuronal y predicción: Se aplicó
la red neuronal, particularmente el algoritmo “Adam”, de
la librería “TensorFlow®”, para que, al seleccionar
arbitrariamente una medición desconocida o que no forma
parte de los registros vinculados a las dimensiones
fractales calculadas, a partir de las imágenes ya
segmentadas, se efectúe la predicción del espesor, con
base en la relación aparentemente biunívoca entre ambas
variables.
3.1. Proceso de predicción
Las imágenes utilizadas en el presente estudio se retoman
de la literatura científica, a partir de lo cual se recuperan
los espesores (medidos) de películas delgadas, reportados
en diferentes estudios (Figura 2).
43
Figura 2: Representación de espesores recuperados de la literatura y
adaptados al contexto del estudio. Fuente: Elaboración propia
A pesar de que existen diferentes bases de datos de
imágenes SEM (ver Apéndice I), no se ha podido
determinar la existencia de una base de datos específica
para imágenes SEM, correspondientes a películas
delgadas de óxido de zinc.
A continuación, se muestra una imagen seleccionada del
banco de datos generado (Figura 3).
Figura 3: Imagen SEM recuperada de la revisión de la literatura. Fuente:
Amutha et al. (2014)
Para el procesamiento de imágenes SEM y segmentación
de las mismas se utilizó el algoritmo de segmentación
propuesto por Chan-Vese (ver Chan & Vese, 1999). Este
algoritmo de segmentación ofrece buenos resultados, dado
que omite la referencia orillas con gradientes.
En el presente estudio el proceso de segmentación,
permite generar una imagen binarizada, bajo los
siguientes pasos: importar las librerías y módulos
seleccionados (matplotlib, skimage & cv2); lectura de la
imagen y conversión a escala de grises; aplicación del
método de segmentación de Chan – Vese; y despliegue de
imágenes resultantes y grafica de evolución de energía
para las diferentes iteraciones. En la Figura 4, se muestra
el ejemplo para la aplicación del método de Chan –Vese,
para una imagen seleccionada.
Dado que el método de segmentación de Chan–Vese se
basa en la minimización de energía; la evolución de
energía para las diferentes iteraciones, indica el ajuste de
la segmentación para las regiones de interés en la imagen
de referencia. Para el caso de la Figura 3, la curva de
evolución de energía indica que el ajuste para el proceso
de segmentación muestra cierta eficiencia, dado su patrón
de reducción energética
A continuación, se presenta la imagen seleccionada, ya
segmentada, a la cual se calculará su dimensión fractal
(Figura 5).
 A. Autor et al. / Publicación Semestral Pädi Vol. 10 No. Especial 3 (2022) 40 -47
Figura 4: Ejemplo de los resultados del proceso de segmentación
mediante el método de Chan – Vese, en el cual se presenta: (a) la
imagen original convertida a escala de grises (arriba a la izquierda); (b)
imagen segmentada con µ= 0.05 y 2000 iteraciones (arriba a la derecha);
(c) nivel final de ajuste (abajo a la izquierda); y, (d)la evolución de
energía para las diferentes iteraciones (abajo a la derecha). Fuente:
Elaboración propia.
Una vez segmentada la imagen SEM, se realiza el cálculo
de la dimensión fractal, en la figura 6, se grafican las
dimensiones fractales obtenidas, por el método de conteo
cajas, con lo cual se alimenta a la variable independiente o
capa de entrada, la cual brida los datos a la red neuronal o
herramienta de predicción. Dado que la dimensión fractal
es un índice adimensional, para el presente estudio, se
omite el ajuste de las imágenes recuperadas, a
dimensiones específicas para su procesamiento; además,
se omite la restricción de tomar la misma amplificación,
para las imágenes recuperadas de la literatura científica.
Cabe hacer mención que previamente se tienen
registrados los espesores para cada imagen SEM
seleccionada, los cuales corresponden con la capa de
salida.
Figura 5: Imagen segmentada por el método de Chan-Vese. Fuente:
Elaboración propia.
Al contar con los pares de datos, se puede realizar la
aplicación de la red neuronal para predecir el espesor de
44
una película delgada con base en una dimensión fractal
arbitraria. Cabe reiterar que la dimensión fractal calculada
a partir de las imágenes segmentadas, corresponde a la
capa de entrada de la red neuronal y, por su parte, los
espesores, corresponden a la capa de salida de la red.
Figura 6: Representación de dimensiones fractales calculadas. Fuente:
Elaboración propia
La aplicación de la red neuronal costa de los siguientes
pasos: Importe de las librerías a utilizar (tensorflow,
numpy & matplotlib); definición de las capas de entrada y
salida; definición de las capas de trabajo (pueden incluirse
capas intermedias); optimación del modelo pre-
entrenado; entrenamiento del modelo con las capas de
entrada y salida, propias; despliegue del gráfico
correspondiente al proceso de aprendizaje de la red
neuronal; predicción de la variable de salida (espesor),
para una dimensión fractal seleccionada; y, determinación
de los valores internos del modelo de predicción.
4. Resultados
La segmentación de imágenes SEM, proveyó de la base
para el cálculo de la dimensión fractal. Esta dimensión
fractal es el sustento que alimenta los datos utilizados en
la capa de entrada. En la siguiente figura (figura 7) se
muestran las curvas de evolución energética para el
proceso de segmentación de imágenes (seleccionadas),
para estas, el eje vertical representa el nivel de energía y
el eje horizontal representa el número de iteración en el
cual se calcula dicho nivel energético.
Figura 7: Curvas de evolución de energía para las imágenes SEM
seleccionadas, durante el proceso de segmentación por el método de
Chan – Vese. Fuente: Elaboración propia, con base en la revisión de la
revisión de la literatura y la segmentación de imágenes seleccionadas.
 A. Autor et al. / Publicación Semestral Pädi Vol. 10 No. Especial 3 (2022) 40 -47
Para la figura anterior, en color gris se encuentra la curva
de evolución energética para la imagen SEM ya
sementada, cuyo espesor es de 354 nm con una dimensión
fractal de 1.58 y en color azul se muestra la curva de
evolución energética para la imagen SEM ya segmentada,
cuyo espesor es de 366 nm y dimensión fractal de 2.06.
En comparación con la figura 3(d), las gráficas
presentadas en la figura 5, indican que el ajuste a la región
de interés (segmentada) es mejor calidad, dado la energía
para cada iteración tiende a minimizarse.
Las gráficas de evolución de energía para las imágenes
seleccionadas, muestran una pendiente negativa, es decir,
se aproximan al nivel de energía en mínimos, cuando
avanzan las iteraciones del proceso de segmentación por
el método de Chan – Vese.
Con el uso de Colab® de Google®, a través de la librería
TesorFlow®, y particularmente el algoritmo Adam del
módulo Keras®, se generó un modelo de predicción para
la relación aparentemente biunívoca entre la dimensión
fractal y el espesor de películas delgadas.
En primera instancia, una vez cargadas las librerías
correspondientes y definidos los valores de las capas de
entrada y salida, se definen las capas de trabajo (densas) y
el modelo (secuencial) que será compilado a través del
algoritmo Adam con un parámetro de pérdida por “error
cuadrado medio”.
En este estudio, se procesaron 16 imágenes SEM,
localizadas en la literatura científica, para las cuales se
reporta el espesor de la película delgada (Figura 8), cabe
hacer mención que, al realizar el cálculo de las
dimensiones fractales para las diferentes imágenes, se
obtuvieron dimensiones fractales coincidentes para
diferentes espesores, por ello se optó por presentar los
datos a través del promedio de espesores para las
dimensiones fractales coincidentes.
Figura 8: Representación de dimensiones fractales calculadas a parir de
imágenes SEM, reportadas en la literatura científica y que contienen o
informan el espesor de la película delgada correspondiente. Fuente:
Elaboración propia, con base en la revisión de la revisión de la literatura
y el cálculo de la dimensión fractal para las imágenes seleccionadas.
En el modelo entrenado se definen arbitrariamente 5000
épocas o fases de ajuste. En el ajuste del modelo se pudo
observar que, alrededor de la época 1500, dicho modelo,
encuentra su grado de convergencia o ajuste (Figura 7).
45
Figura 9: Función de pérdida para el modelo de predicción a través
de la red neuronal. Fuente: Elaboración propia.
Una vez ajustado el modelo, al realizar la predicción
para una dimensión fractal arbitraria (i.e. 1.99) se
obtiene la predicción para el espesor de la película
delgada (i.e. 259.7962 [nm]). Aunado a lo anterior, los
coeficientes para las variables internas del modelo se
establecen 86.4897 y 87.681694.
La importancia en la predicción del espesor, a través
de la dimensión fractal, se enmarca en la posibilidad
de generar un marco de trabajo para la descripción
cuantitativa de las películas delgadas, a través de sus
imágenes SEM, teniendo aplicación en los diferentes
campos para los cuales se hace uso de imágenes SEM.
Esta descripción puede coadyuvar con los procesos de
descripción de características para imágenes SEM, que
se realizan actualmente de forma cualitativa, por parte
de cada uno de los expertos que realiza
investigaciones y trabajo de laboratorio, en este campo
de estudio.
5. Conclusiones
Las herramientas computacionales, proveen de
instrumentos útiles para la solución de problemas,
interpretación de resultados o integración de métodos que
coadyuven con la mejor comprensión de los fenómenos
de la naturaleza, e incluso, de aquellos entes abstractos,
creados por el hombre.
Es posible afirmar que no hay evidencia de un algoritmo,
método o herramienta, que utilice métricas (dimensión
fractal, tamaño de grano, separación de grano promedio y
densidad de grano), como parte de un modelo de
predicción de características o propiedades físicas en el
contexto de las películas delgadas.
En el presente documento se abordó una herramienta de
predicción del espesor a partir de la dimensión fractal,
calculada con base en el uso de imágenes SEM, ya
segmentadas, con objeto de crear una relación
aparentemente biunívoca entre ambas variables, la cual
contribuya en la generación de un modelo computacional
para predecir una propiedad física de las películas
delgadas, con base en una o más variables de entrada.
Con lo anterior se generan las capas de entrada y salida
que alimentan a una red neuronal, la cual fuge como
herramienta o modelo de predicción. La red neuronal
utilizada, basa su código en la librería de TensorFlow®
(desarrollada por Google® LLC), particularmente se usa
 A. Autor et al. / Publicación Semestral Pädi Vol. 10 No. Especial 3 (2022) 40 -47
el algoritmo Adam, debido a que es un algoritmo simple y
computacionalmente eficiente.
Este trabajo permite avanzar en la integración de un
modelo computacional, que permita predecir el espesor de
películas delgadas, con base en una serie de métricas
seleccionadas, y que se sume como una alterativa
cuantitativa para la caracterización de películas delgadas.
El siguiente paso, consiste en el desarrollo de un modelo
computacional de predicción; dado que un modelo de
predicción crea la oportunidad de pronosticar una
propiedad física seleccionada. La presente investigación
contribuye en la integración de un modelo computacional,
que genere la oportunidad de predecir el espesor de
películas delgadas de ZnO, en función de su morfología,
caracterizada a través de ciertas métricas seleccionadas,
i.e. dimensión fractal, densidad de grano, separación
promedio y tamaño de grano.
Agradecimientos
Los autores agradecen a la Universidad Autónoma del
Estado de Hidalgo, al Área Académica de Computación y
Electrónica (ICBI-UAEH) y al programa de Doctorado en
Ciencias Computacionales, por las facilidades en el
desarrollo de los estudios de posgrado, que permitieron la
integración de la presente investigación.
Referencias
Abraham, M. R. (2008). Importance of a Theoretical Framework for
Research. In: Bunce, D.M. & Cole, R.S. (eds.), Nuts and Bolts of Chemical
Education Research, 47–66, DOI: [10.1021/bk-2008-0976.ch005], URL:
[https://pubs.acs.org/doi/10.1021/bk-2008-0976.ch005].
Al-Kuhaili, M. F., Durrani, S. M. A. &Bakhtiari, I. A. (2008). Carbon
monoxide gas-sensing properties of CeO2–ZnO thin films Applied Surface
Science, 255(5), 3033–3039, DOI: [10.1016/j.apsusc.2008.08.058], URL:
[https://www.sciencedirect.com/science/article/pii/S0169433208019235].
Arif, M., Shkir, M., AlFaify, S., Ganesh, V., Sanger, A., Algarni, H.,
Vilarinho, P.M. & Singh, A. (2019). A structural, morphological, linear,
and nonlinear optical spectroscopic studies of nanostructured Al-doped
ZnO thin films: An effect of Al concentrations, Journal of Materials
Research, 34(8), 1309 – 1317, DOI: [10.1557/jmr.2018.506], URL:
[https://www.cambridge.org/core/journals/journal-of-materials-
research/article/structural-morphological-linear-and-nonlinear-optical-
spectroscopic-studies-of-nanostructured-aldoped-zno-thin-films-an-effect-
of-al-concentrations/460787FD52D6C5C9BB0BE09467AA1B8A].
Basavaprasad, B., & Ravi, M. (2014). A study on the importance of image
processing and its applications, IJRET: International Journal of Research
in Engineering and Technology, 3, 1, URL:
[http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.676.3819&rep=
rep1&type=pdf].
Bi, X., Ren, A. Li, S., Han, M. & Li, Q. (2015). An Advanced Partial
Discharge Recognition Strategy of Power Cable, Journal of Electrical and
Computer Engineering, DOI: [10.1155/2015/174538], URL:
[http://downloads.hindawi.com/journals/jece/2015/174538.pdf] & Li, X. B., Ma, S. Y., Li, F. M., Chen, Y., Zhang, Q. Q., Yang, X. H., Wang,
[https://dl.acm.org/doi/pdf/10.1155/2015/174538].
Chaabouni, F., Abaab, M. &Rezig, B. (2004). Metrological Characterization
of ZnO Oxygen Sensor at Room Temperature, Sensors and Actuators B:
Chemical, Vol. 100, No. 1-2, pp. 200-204, DOI:
[10.1016/j.snb.2003.12.059], URL:
[https://www.researchgate.net/publication/245083491_Metrological_chara
cteristics_of_ZNO_oxygen_sensor_at_room_temperature].
Chan, T.F. &Vese, L.A. (1999) An active contour model without edges,”
Lecture Notes in Computer Science, vol. 1682, pp. 141–151, DOI:
[10.1007/3-540-48236-9_13], URL: [http://dx.doi.org/10.1007/3-540-
48236-9_13].
Chaudhuri, B.B. & Sarkar, N. (1995). Texture segmentation using fractal
dimension, IEEE Transactions on Pattern Analysis and Machine
Intelligence, 17(1), URL:
[https://www.researchgate.net/profile/Bidyut_Chaudhuri/publication/3192
46
358_Texture_Segmentation_Using_Fractal_Dimension/links/56fb7b9508a
e3c0f264c0fe2.pdf].
Ennaceri, H., Boujnah, M., Erfurt, D., Rappich, J., Lifei, X., Khaldoun, A.,
Benyoussef, A., Ennaoui, A. &Taleb, A. (2019). Influence of stress on the
photocatalytic properties of sprayed ZnO thin films, Solar Energy
Materials and Solar Cells, 201, 110058, DOI:
[10.1016/j.solmat.2019.110058], URL:
[https://www.sciencedirect.com/science/article/pii/S0927024819303873].
Fan, H. & Jia, X. (2011). Selective detection of acetone and gasoline by
temperature modulation in zinc oxide nanosheets sensors. Solid State
Ionics, 192(1), 688–692, DOI: [10.1016/j.ssi.2010.05.058], URL:
[https://www.sciencedirect.com/science/article/pii/S0167273810003024].
Godse, P.R., Navale, Y.H., Mulik, R.N. & Patil, V.B. (2020), Toxic NO2
Gas Sensing Potentional of Hydrothermally Prepared ZnO Nanorods. In:
Pawar P., Ronge B., Balasubramaniam R., Vibhute A., Apte S. (eds)
Techno-Societal 2018, DOI: [10.1007/978-3-030-16848-3__89], URL:
[https://link.springer.com/chapter/10.1007/978-3-030-16848-3_89].
Han, D. (2020). Sol-gel autocombustion synthesis of zinc oxide foam
decorated with holes and its use as acetic acid gas sensor at sub-ppm level,
Ceramics International, 46(3), 3304–3310, DOI:
[10.1016/j.ceramint.2019.10.036], URL:
[https://www.sciencedirect.com/science/article/pii/S0272884219328871].
Hassan, E. S., Mubarak, T. H., Abass, K. H., Chiad, S. S., Habubi, N. F.,
Rahid, M. H., Khadayeir, A.A., Dawod, M.O. & Al-Baidhany, I. A.
(2019). Structural, Morphological and Optical Characterization of Tin
Doped Zinc Oxide Thin Film by (SPT), Journal of Physics: Conference
Series, 1234(1), DOI: [10.1088/1742-6596/1234/1/012013], URL:
[https://iopscience.iop.org/article/10.1088/1742-6596/1234/1/012013/pdf].
Kaneti, Y. V., Zhang, X., Liu, M., Yu, D., Yuan, Y., Aldous, L. & Jiang, X.
(2016). Experimental and theoretical studies of gold nanoparticle decorated
zinc oxide nanoflakes with exposed {1 0 1¯ 0} facets for butylamine
sensing, Sensors and Actuators B: Chemical, 230, 581–591, DOI:
[10.1016/j.snb.2016.02.091], URL:
[https://www.sciencedirect.com/science/article/pii/S0925400516302404].
Khan, Z.R., Shkir, M., Ganesh, V., AlFaify, S., Yahia, I.S. & Zahran, H.Y.
(2018). Linear and Nonlinear Optics of CBD Grown Nanocrystalline F
Doped CdS Thin Films for Optoelectronic Applications: An Effect of
Thickness, Journal of Electronic Materials, 47, 5386–5395, DOI:
10.1007/s11664-018-6437-9], URL:
[https://link.springer.com/article/10.1007%2Fs11664-018-6437-9].
Khatibani, A. B. (2020). Investigation of gas sensing property of zinc oxide
thin films deposited by Sol-Gel method: effects of molarity and annealing
temperature, Indian Journal of Physics, DOI: [10.1007/s12648-020-01689-
4], URL: [https://link.springer.com/article/10.1007/s12648-020-01689-4].
Kingma, D. P., & Ba, J. (2014). Adam: A method for stochastic optimization,
arXiv preprint arXiv:1412.6980, DOI: [10.48550/arXiv.1412.6980], URL:
[https://arxiv.org/abs/1412.6980].
Kumar, S., Jeon, H.C., Kang, T.W., Seth, R., Panwar, S., Shinde, S.K.,
Waghmode, D.P., Saratale, R.G. & Choubey, R.K. (2019a). Variation in
chemical bath pH and the corresponding precursor concentration for
optimizing the optical, structural and morphological properties of ZnO thin
films, Journal of Materials Science: Materials in Electronics, 30, 17747–
17758, DOI: [10.1007/s10854-019-02125-y], URL:
[https://link.springer.com/article/10.1007/s10854-019-02125-y].
Kumar, V., Gupta, R., Ram, J., Singh, P., Kumar, V., Sharma, S. K., Katiyar,
R.S. & Kumar, R. (2019b). High energy 120 MeV Ti9+ ion beam induced
modifications in optical, structural and surface morphological properties of
titanium dioxide thin films, Vacuum, 166, 323 – 334, DOI:
[10.1016/j.vacuum.2018.10.029], URL:
[https://www.sciencedirect.com/science/article/abs/pii/S0042207X183121
93]
C.Y. & Zhu, J. (2013). Porous spheres-like ZnO nanostructure as sensitive
gas sensors for acetone detection. Materials Letters, 100, 119–123, DOI:
[10.1016/j.matlet.2013.02.117], URL:
[https://www.sciencedirect.com/science/article/pii/S0167577X13003170].
Liu, Y. (2019). Controlled Modification of Generated (Style) GAN Latent
Vectors, URL:
[https://pdfs.semanticscholar.org/6af8/6e7d68f18b61af4ed18deecaef9de2e
0ff85.pdf].
Lorwongtragool, P., Boonyopakorn, N. &Kladsomboon, S. (2019). Optical
Gas Sensor based on Al-doped ZnO/ZnTPP hybrid thin film, Journal of
Physics: Conference Series, 1259(1) 1-8, DOI: [10.1088/1742-
6596/1259/1/012014], URL:
[https://iopscience.iop.org/article/10.1088/1742-6596/1259/1/012014/pdf].
Mandelbrot, B. B. (1983). The fractal geometry of nature, ISBN-13: 978-0-
7167-1186-5, ISBN-10: 0-7167-1186-9, W. H. Freeman & Co., New York.
 A. Autor et al. / Publicación Semestral Pädi Vol. 10 No. Especial 3 (2022) 40 -47 47

Marotti, R. (2004). Bandgap energy tuning of electrochemically grown ZnO Systems, 1(1), DOI: [10.1145/3362063], URL:
thin films by thickness and electrodeposition potential, Solar Energy [https://arxiv.org/pdf/2002.08168.pdf].
Materials and Solar Cells, 82(1-2), 85–103. DOI: Zhang, Y.D., Chen, X.Q., Zhan, T.M., Jiao, Z.Q., Sun, Y., Chen, Z.M., Yao,
[10.1016/j.solmat.2004.01.008], URL: Y., Fang, L.T., Lv, Y.D. & Wang, S.H. (2016). Fractal dimension
[https://www.sciencedirect.com/science/article/pii/S0927024804000091]. estimation for developing pathological brain detection system based on
Mendonça, T., Ferreira, P. M., Marques, J. S., Marcal, A. R. S. &Rozeira, J. Minkowski-Bouligand method, IEEE Access, 4, 5937-5947 DOI:
(2013). PH2 - A dermoscopic image database for research and [10.1109/ACCESS.2016.2611530], URL:
benchmarking, 2013 35th Annual International Conference of the IEEE [https://ieeexplore.ieee.org/document/7572925].
Engineering in Medicine and Biology Society (EMBC), DOI: Zubair, N. & Akhtar, K. (2019). High performance room temperature gas
[10.1109/embc.2013.6610779], URL: sensor based on novel morphology of zinc oxide nanostructures,
[ieeexplore.ieee.org/document/6610779]. Transactions of Nonferrous Metals Society of China, 29(1), 143–156, DOI:
Morales, C., Leinen, D., del Campo, A., Ares, J. R., Sánchez, C., Flege, J. I., [10.1016/s1003-6326(18)64923-4], URL:
Gutiérrez, A., Prieto, P. & Soriano, L. (2021). Growth and characterization [https://www.sciencedirect.com/science/article/pii/S1003632618649234].
of ZnO thin films at low temperatures: From room temperature to− 120 C.
Journal of Alloys and Compounds, 884, 161056, URL: Apéndice A. Bases de datos para imágenes SEM de
[https://www.sciencedirect.com/science/article/pii/S0925838821024658].
Piegari, A., &Masetti, E. (1985). Thin film thickness measurement: A
diversos materiales. Fuente: elaboración propia con base
comparison of various techniques, Thin Solid Films, 124(3-4), 249–257, en la consulta de bases de datos de imágenes SEM
DOI: [10.1016/0040-6090(85)90273-1], URL:
[https://www.sciencedirect.com/science/article/pii/0040609085902731]. Base de Número de
Rebollar Rivera, Z., Maldonado Alvarez, A. & Olvera Amador, M.L. (2019). Escala URL
datos imágenes
Effect of thickness on photocatalytic properties of zno thin films deposited
by RF magnetron sputtering. In 2019 16th International Conference on Región CA1 https://www.epfl.c
Micró-
Electrical Engineering, Computing Science and Automatic Control (CCE), del 165 x 4 h/labs/cvlab/data/
metros
1-6, URL: [https://cce.cinvestav.mx/images/archivos/papers- hipocampo data-em/
19/CCE_2019_paper_72.pdf]. https://dataverse.h
SaralaDevi, G., Bala Subrahmanyam, V., Gadkari, S. C. & Gupta, S. K.
(2006). NH3 gas sensing properties of nanocrystalline ZnO based thick Reconstruc- arvard.edu/dataset
Micró-
films, Analytica Chimica Acta, 568(1-2), 41–46. DOI: ción de 17 .xhtml?persistentI
metros
[10.1016/j.aca.2006.02.040], URL: imágenes 3D d=doi:10.7910/D
[https://www.sciencedirect.com/science/article/pii/S0003267006004314]. VN/HVBW0Q
Shkir, M., Khan, M. T. &AlFaify, S. (2019). Novel Nd-doping effect on
structural, morphological, optical, and electrical properties of facilely Imágenes https://dataservice
fabricated PbI2 thin films applicable to optoelectronic devices, Applied reales y s.gfz-
Nanoscience, 9, 1417–1426, DOI: [10.1007/s13204-019-00983-w], URL: artificiales Micró- potsdam.de/panm
[https://link.springer.com/article/10.1007/s13204-019-00983-w]. 100
de metros etaworks/showsho
Szpilrajn, E. (1930). Sur l'extension de l'ordrepartiel, Fundamenta
Mathematicae, 16(1), 386-389, URL: [http://eudml.org/doc/212499]. materiales rt.php?id=escidoc:
Thirumoorthi, M. & Thomas Joseph Prakash, J. (2019). Doping effects on granulares 1423021
physical properties of (1 0 1) oriented tin zinc oxide thin films prepared by Imágenes
nebulizer spray pyrolysis method, Materials Science and Engineering: B,
artificiales https://data.mende
248, 114402, DOI: [10.1016/j.mseb.2019.114402], URL: Nanó-
[https://www.sciencedirect.com/science/article/pii/S0921510719302053]. de 2048 ley.com/datasets/tj
metros
Vetelino, J. &Reghu, A. (2011). Chapter 2: Electrochemical sensors, In: materiales 4syyj9mr/1
Vetelino, J. &Reghu, A. (eds.), Introduction to sensors, ISBN: 978-1-4398- pulverizados
0852-8, CRC Press, Taylor & Francis Group.
Wang, Z. L. (2004). Nanostructures of zinc oxide. Materials today, 7(6), 26-
https://www.bco-
Biopelículas Milí-
33, DOI: 454 dmo.org/dataset/7
y minerales metros
[https://www.sciencedirect.com/science/article/pii/S136970210400286X], 56152
URL: [10.1016/S1369-7021(04)00286-X]. https://www.utole
Wei, G. & Tang, J. (2008). Study of Minimum Box-Counting Method for
image fractal dimension estimation, 2008 China International Conference do.edu/nsm/ic/inst
Especímenes Micró-
on Electricity Distribution, DOI: [10.1109/ciced.2008.5211829], URL: 19 ruments/ICenter/S
biológicos metros
[https://ieeexplore.ieee.org/document/5211829]. EM_Image_Datab
Wen, L., Sahu, B.B., Kim, H.R. & Han, J.G. (2019). Study on the electrical, ase.html
optical, structural, and morphological properties of highly transparent and
conductive AZO thin films prepared near room temperature, Applied https://b2share.eu
Materiales y
Surface Science, 473, 649-656, DOI: [10.1016/j.apsusc.2018.11.250], Nanó- dat.eu/records/80d
especímenes 21,169
URL: metros f8606fcdb4b2bae
[https://www.sciencedirect.com/science/article/abs/pii/S016943321833328 diversos
1656f0dc6db8ba
2?casa_token=GA0flqiame4AAAAA:ELoUVr-
HiCjIxU6d_k1c71Fn1FXM-XxjNnDfbyu60kjEWS- https://metadb.rik
No
BCMaUzk60o7GCK6ziDd2wNpF22Jby]. Microestruct en.jp/metadb/db/cl
Yuan, H., Aljneibi, S. A. A. A., Yuan, J., Wang, Y., Liu, H., Fang, J., Tang, determi 7868
uras stMultimodalMicr
C., Yan, X., Cai, H., Gu,Y., Pennycook, S. J., Tao, J. & Zhao, D. (2019). nado
ostruct
ZnO Nanosheets Abundant in Oxygen Vacancies Derived from Metal-
Organic Frameworks for ppb-Level Gas Sensing, Advanced Materials, No http://www.cellim
Células
1807161, DOI: [10.1002/adma.201807161], URL: determi 273 agelibrary.org/pag
[https://onlinelibrary.wiley.com/doi/full/10.1002/adma.201807161]. humanas
nado es/project_20269
Zhang, R., Stanley, K.G., Fuller, D. & Bell, S. (2019b). Differentiating
Population Spatial Behavior using Representative Features of Geospatial
Mobility (ReFGeM), ACM Transactions on Spatial Algorithms and